uproot：使用uproot方法.pandas处理TH2D

如何解决uproot：使用uproot方法.pandas处理TH2D

我对于连根拔起和Python还是很陌生，但希望很快能赶上。 我想知道为什么方法.pandas()从TH2D直方图创建如此奇怪的表：

myhisto = file["angular_distr_el/ID3_mol_e0_valid/EN_gate/check_cthetaEE_x"]
type(myhisto)

输出：

uproot.rootio.TH2D

最后，myhisto.pandas（）返回：

        count   variance
cos(theta)  electron energy [eV]        
[-inf,-1.0)    [-inf,10.0)    0.0 0.0
[10.0,10.15)   0.0 0.0
[10.15,10.3)   0.0 0.0
[10.3,10.45)   0.0 0.0
[10.45,10.6)   0.0 0.0
... ... ... ...
[1.0,inf)  [24.4,24.549999999999997)  0.0 0.0
[24.549999999999997,24.7)  0.0 0.0
[24.7,24.85)   0.0 0.0
[24.85,25.0)   0.0 0.0
[25.0,inf) 0.0 0.0
2244 rows × 2 columns

和myhisto.columns返回：

Index(['count','variance'],dtype='object')

在哪里可以找到方法.pandas()的文档以了解它的作用？有没有办法在具有正确列的DataFrame中重新组织myhisto？

解决方法

经过一些有趣但无所不顾的浏览之后，我了解了它是哪种类型的对象。这是创建排序 MultiIndex DataFrames 的非常聪明的方法。只需输入myhisto.index即可直接看到它：

MultiIndex([([-inf,-1.0),[-inf,10.0)),([-inf,[10.0,10.15)),[10.15,10.3)),[10.3,10.45)),[10.45,10.6)),[10.6,10.75)),[10.75,10.9)),[10.9,11.05)),[11.05,11.2)),[11.2,11.35)),...
            (  [1.0,inf),[23.65,23.799999999999997)),(  [1.0,[23.799999999999997,23.95)),[23.95,24.1)),[24.1,24.25)),[24.25,24.4)),[24.4,24.549999999999997)),[24.549999999999997,24.7)),[24.7,24.85)),[24.85,25.0)),[25.0,inf))],names=['cos(theta)','electron energy [eV]'],length=2244)

解决方案是拆开或创建DataFrame的数据透视表。对于此特定对象，数据透视表更好，因为在原始DataFrame中作为列存在计数和方差。例如：

myhisto.unstack()

count   ... variance
electron energy [eV]    [-inf,10.0)    [10.0,10.15)   [10.15,10.3)   [10.3,10.45)   [10.45,10.6)   [10.6,10.75)   [10.75,10.9)   [10.9,11.05)   [11.05,11.2)   [11.2,11.35)   ... [23.65,23.799999999999997) [23.799999999999997,23.95) [23.95,24.1)   [24.1,24.25)   [24.25,24.4)   [24.4,24.549999999999997)  [24.549999999999997,24.7)  [24.7,24.85)   [24.85,25.0)   [25.0,inf)
cos(theta)                                                                                  
[-inf,-1.0)    0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 ... 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
[-1.0,-0.9)    0.0 1.0 1.0 0.0 0.0 2.0 0.0 2.0 0.0 1.0 ... 0.0 0.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0
[-0.9,-0.8)    0.0 0.0 3.0 3.0 0.0 0.0 0.0 0.0 1.0 1.0 ... 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0
[-0.8,-0.7)    0.0 0.0 1.0 2.0 0.0 1.0 1.0 2.0 1.0 1.0 ... 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
[-0.7,-0.6)    0.0 0.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 1.0 ... 1.0 1.0 0.0 1.0 1.0 0.0 0.0 1.0 0.0 0.0
[-0.6,-0.5)    0.0 1.0 1.0 1.0 0.0 0.0 2.0 1.0 0.0 3.0 ... 0.0 1.0 0.0 1.0 1.0 

**22 rows × 204 columns**

vs。

pivot_pipanda = pipanda.pivot_table(values="count",index="cos(theta)",columns="electron energy [eV]")

electron energy [eV]    [-inf,-0.5)    0.0 1.0 1.0 1.0 0.0 0.0 2.0 1.0 0.0 3.0 ... 0.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0
[-0.5,-0.3999999999999999) 0.0 0.0 2.0 0.0 1.0 1.0 3.0 2.0 3.0 1.0 ... 3.0 0.0 0.0 0.0 0.0 2.0 0.0 1.0 1.0 0.0

从这里可以使用熊猫的标准方法！

（要使用loc []和iloc []等切片技术：https://www.youtube.com/watch?v=tcRGa2soc-c）